Kapitel 13 - am Lehrstuhl für Ökonometrie

Werbung
Institut für Volkswirtschaftslehre (ECON)
Lehrstuhl für Ökonometrie und Statistik
Kapitel XIII - Funktion und Transformation
mehrdimensionaler Zufallsvariablen
Wahrscheinlichkeitstheorie
Prof. Dr. W.-D. Heller
Hartwig Senska
Carlo Siebenschuh
Einführung in die Wahrscheinlichkeitstheorie
Auswertung mehrerer Beobachtungen (z.B. bei einer Stichprobe
mit Zurücklegen):
Beobachtungen x1 , . . . , xn - zur Verfügung stehende Information
über eine unbekannte Größe (z.B. Messwerte, Zustand gut
(0)/schlecht (1) bei Stichprobeneinheit)
Auswertung: Anwendung einer Rechenvorschrift (Funktion g )
Auswertungsergebnis: Funktionswert g (x1 , . . . , xn )
z.B. arithmetisches Mittel, Spannweite, Median,
Gini-Koeffizient, . . .
x1 , . . . , xn zufällig ⇒ g (x1 , . . . , xn ) zufällig.
Zufälligkeit erfasst man durch Zufallsvariablen X1 , . . . Xn und deren
Verteilungen. x1 , . . . , xn sind Realisationen von X1 , . . . , Xn .
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
2
Einführung in die Wahrscheinlichkeitstheorie
Frage:
Wie kann die Wahrscheinlichkeitsverteilung des Auswertungsergebnisses, also von g (X1 , . . . , Xn ) aus den Verteilungen von
X1 , . . . , Xn berechnet werden?
Beispiel:
Messwerte x1 , . . . , xn sind
Realisationen von X1 , . . . , Xn
unabhängig
normalverteilt mit µ und σ 2 (identisch)
Wie ist die Verteilung des arithmetischen Mittels X̄ =
Pn
und der Stichprobenvarianz n1 i=1 (Xi − X̄ )2 ?
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
1
n
Pn
i=1
Xi
3
Einführung in die Wahrscheinlichkeitstheorie
Gegeben: Zufallsvariablen X1 , . . . , Xn und Funktion g (X1 , . . . , Xn )
Hinweis: Auf den folgenden Seiten des Kapitels werden, sofern nicht
anders angemerkt, ausnahmslos Funktionen g : Rn → R betrachtet.
Gesucht: Verteilungsfunktion von g (X1 , . . . , Xn ) = g (X )
F (α)
= P(g (X1 , . . . , Xn ) ≤ α)
= P ((X1 , . . . , Xn ) ∈ {(x1 , . . . , xn )|g (x1 , . . . , xn ) ≤ α})
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
4
Einführung in die Wahrscheinlichkeitstheorie
X = (X1 , . . . , Xn ) diskret mit Werten x (r ) ∈ Rn , r = 1, 2, 3, . . .
X
P(X = x (r ) )
P(g (X ) ≤ α) = F (α) =
r :g (x (r ) )≤α
Summation über die Wahrscheinlichkeiten der Punkte
(Werte x (r ) ), die im Bereich g (x) ≤ α liegen.
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
5
Einführung in die Wahrscheinlichkeitstheorie
X = (X1 , . . . , Xn ) stetig mit Dichtefunktion fX (x1 , . . . , xn ) und
Realisationen x := (x1 , . . . , xn ):
Z
Z
=⇒ F (α) = · · · fX (x1 , . . . , xn )dx1 . . . dxn
x:g (x)≤α
Integration über den Teilbereich g (x) ≤ α (auf x !).
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
6
Einführung in die Wahrscheinlichkeitstheorie
Bemerkung:
Falls die Berechnung der vollständigen Verteilung zu aufwendig
oder zu schwierig ist, kann die Berechnung von Kennzahlen von
g (X1 , . . . , Xn ) versucht werden.
z.B. gilt:
+∞
+∞
Z
Z
E (g (X1 , . . . , Xn )) =
...
g (x1 , . . . , xn )fX (x1 , . . . , xn )dx1 . . . dxn
−∞
−∞
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
7
Roulette (Beispiel 1)
Einsatz von 10 e fünfmal hintereinander auf das mittlere Drittel.
Wie ist die Wahrscheinlichkeitsverteilung der Auszahlung
insgesamt, also der Summe der Auszahlungen?
Zufälliges Ergebnis bei einmaligem Durchlauf

0
Zahl 0



1
1. Drittel
X =
2. Drittel
 2


3
3. Drittel
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
8
Roulette (Beispiel 1)
Beispiel: Roulette
(y1 , . . . , y5 ):
(Y1 , . . . , Y5 ):
Ergebnisse bei den 5 Versuchen
zugehöriger Zufallsvektor
Indikatorfunktion des zweiten Drittels:
1 z =2
1zweites Drittel (z) =
0 sonst
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
9
Roulette (Beispiel 1)
Pro “zweites Drittel”: Auszahlung = 30e.
Auszahlung bei (y1 , . . . , y5 ):
g (y1 , . . . , y5 ) =
5
X
30 · 1zweites Drittel (yi )
i=1
Werte von g (y1 , . . . , y5 ) : 0, 30, 60, 90, 120, 150
Wahrscheinlichkeitsverteilung von g (Y1 , . . . , Y5 ):
P(g (Y1 , . . . , Y5 ) = 150)
= P ((Y1 , . . . Y5 ) = (2, 2, 2, 2, 2))
5
12
=
= 0.3245 = 0.0036
37
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
10
Roulette (Beispiel 1)
P(g (Y1 , . . . , Y5 ) = 120) :
(Y1 , . . . , Y5 ) =
(0,2,2,2,2)
(1,2,2,2,2)
(3,2,2,2,2)
(2,0,2,2,2)
(2,1,2,2,2)
(2,3,2,2,2)
(2,2,0,2,2)
(2,2,1,2,2)
Wahrscheinlichkeit
1
12 4
·
37 37
12 5
37 12 5
37
12 4
· 1
37
37
12 5
37
12 5
37
12 4
· 1
37 37
12 5
(Y1 , . . . , Y5 ) =
(2,2,3,2,2)
(2,2,2,0,2)
(2,2,2,1,2)
(2,2,2,3,2)
(2,2,2,2,0)
(2,2,2,2,1)
(2,2,2,2,3)
Wahrscheinlichkeit
12 5
37
4
12
· 1
37 37
12 5
37 12 5
37
12 4
· 1
37 37
12 5
37 12 5
37
37
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
11
Roulette (Beispiel 1)
Damit
4
5
1 12
12
P(g (Y1 , Y2 , Y3 , Y4 , Y5 ) = 120) = 5 ·
+ 10 ·
37 37
37
4 12
1
12
= 5·
+2·
37
37
37
4 12
12
= 5·
1−
37
37
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
12
Roulette (Beispiel 1)
Analog ergibt sich
P(g (Y1 , Y2 , Y3 , Y4 , Y5 ) = 90)
=
P(g (Y1 , Y2 , Y3 , Y4 , Y5 ) = 60) =
P(g (Y1 , Y2 , Y3 , Y4 , Y5 ) = 30) =
P(g (Y1 , Y2 , Y3 , Y4 , Y5 ) = 0) =
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
3 2
5
12
12
1−
2
37
37
2 3
5
12
12
1−
3
37
37
4
12
12
1−
5·
37
37
5
12
1−
.
37
13
Einführung in die Wahrscheinlichkeitstheorie
Generell: Für den Erwartungswert E (g (Y )) der Funktion g (Y )
einer n-dimensionalen Zufallsvariable Y gilt:
Im diskreten Fall:
~ E (g (Y1 , . . . , Yn )) =
X
g (y (r ) ) P(Y = y (r ) )
r
Im stetigen Fall:
~ E (g (Y1 , . . . , Yn )) =
+∞
+∞
Z
Z
...
g (y1 , . . . , yn )fY (y1 , . . . , yn )dy1 . . . dyn
−∞
−∞
Anwendungen:
Erwartungswert einer Summe: siehe
Kovarianz einer Summe: siehe Folie 29
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
Folie 27
14
Spezielle Funktionen
Beispiele von Funktionen X1 , . . . , Xn :
1
Summe :
n
P
Xi und arithmetisches Mittel :
i=1
2
Maximum : max{X1 , . . . , Xn }
3
Minimum : min{X1 , . . . , Xn }
4
Spannweite (Range):
1
n
n
P
Xi
i=1
R(X1 , . . . , Xn ) = max{X1 , . . . , Xn } − min{X1 , . . . , Xn }
5
Produkt : X1 · · · · · Xn =
n
Y
Xi
i=1
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
15
1. Summe und arithmetisches Mittel
1. Summe und arithmetisches Mittel :
Auswertungsfunktion:
g (x1 , . . . , xn ) = x1 + . . . + xn
bzw.
g (x1 , . . . , xn ) =
n
1X
xi
n
i=1
Sukzessive Bestimmung der Verteilung von
g (Y1 , . . . , Yn ) = Y1 + . . . + Yn :
1. Schritt: Y1 + Y2
2. Schritt: (Y1 + Y2 ) + Y3
..
.
=⇒ Es genügt, den Fall n = 2 zu betrachten.
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
16
1. Summe und arithmetisches Mittel
Y = (Y1 , Y2 ) diskret mit gemeinsamer Wahrscheinlichkeitsverteilung PY
X
P(Y1 + Y2 = k) =
PY (Y1 = i, Y2 = j)
i,j:i+j=k
Beispiel: Beim Würfeln mit zwei Würfeln sei Y1 (Y2 ) die
Augenzahl beim ersten (zweiten) Würfel. Aus
P(Y1 + Y2 = k) =
X
P(Y1 = i, Y2 = j) =
X
i,j:i+j=k
i,j:i+j=k
i,j∈{1,...,6}
i,j∈{1,...,6}
1
36
folgt
k
2
3
4
5
6
7
8
9
10
11
12
P(Y1 + Y2 = k)
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
17
1. Summe und arithmetisches Mittel
Y = (Y1 , Y2 ) stetig mit gemeinsamer Dichtefunktion fY
ZZ
ZZ
y1 +y2 ≤α
z≤α
y1 +y2 =z
ZZ
f (y1 , z − y1 )dy1 dz
| {z }
=
z≤α
Z
=
fY (y1 , y2 )dy1 dy2
fY (y1 , y2 )dy1 dy2 =
FY1 +Y2 (α) =
y2
+∞
Z
f (y1 , z − y1 )dy1 dz
z≤α −∞
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
18
1. Summe und arithmetisches Mittel
⇒ Dichte von Y1 + Y2 :
Faltungsintegral
+∞
+∞
Z
Z
fY (y1 , z − y1 )dy1 =
fY (z − y2 , y2 )dy2
fY1 +Y2 (z) =
−∞
−∞
Speziell: Y1 , Y2 unabhängig mit Randdichten f1 , f2 :
⇒ fY (y1 , y2 ) = f1 (y1 )f2 (y2 )
+∞
Z
fY1 +Y2 (z) =
f1 (y1 )f2 (z − y1 )dy1
−∞
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
19
Beispiel 2: Faltung der Normalverteilung
Beispiel 2:
Y1 und Y2 seien unabhängig und standardnormalverteilt.
Dichte der Normalverteilung:
f (x)
=
µ = 0, σ 2 = 1
:
(x−µ)2
1
e − 2σ2
(allg. Normalverteilung)
2πσ
x2
1
f (x) = √
e − 2 (Standardnormalverteilung)
2π
√
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
20
Beispiel 2: Faltung der Normalverteilung
fY1 +Y2 (z)
=
+∞
+∞
Z
Z
2
1 2
1
1
1
√ e − 2 y1 √ e − 2 (z−y1 ) dy1
fY1 (y1 )fY2 (z − y1 )dy1 =
2π
2π
−∞
+∞
Z
=
−∞
1 − 12 y12 − 12 (z 2 −2zy1 +y12 )
dy1 =
e
2π
=
−∞
1 −y12 +zy1 − z22
e
dy1
2π
−∞
−∞
+∞
Z
+∞
Z
z2
1 −y12 +zy1 − z42 − z42
1
e
e
dy1 = √ √ e − 4
2π
2 2π
+∞ √
(y1 − z )2
Z
2 − 2· 12
2
√ e
dy1
2π
−∞
|
{z
}
=1
=
z2
1
√ √ e − 2·2
2π 2
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
21
Beispiel 2: Faltung der Normalverteilung
Als Ergebnis erhält man damit die Dichte einer Normalverteilung
mit µ = 0, σ 2 = 2, also N (0, 2).
Y1 + Y2 ist demnach normalverteilt mit Mittelwert 0 und
Varianz 2.
Verallgemeinerung:
Y1
Y2
N (µ1 , σ12 ) − verteilt
N (µ2 , σ22 ) − verteilt
⇒ Y1 + Y2
unabhängig
N (µ1 + µ2 , σ12 + σ22 ) − verteilt
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
22
Beispiel 2: Faltung der Normalverteilung
Folgerung: Yi N (µi , σi2 )- verteilt für i = 1, . . . , n und unabhängig
n
X
⇒
⇒
1
n
i=1
n
X
N
Yi
Yi
N
i=1
n
X
µi ,
i=1
n
X
1
n
i=1
n
X
!
σi2
-verteilt
i=1
n
1 X 2
µi , 2
σi
n
!
-verteilt
i=1
Daraus folgt:
µ1 = . . . = µn = µ, σ12 = . . . = σn2 = σ 2 :
n
X
Yi ist N nµ, nσ 2 -verteilt
i=1
=⇒
n
1X
σ2
Yi N µ,
-verteilt
n
n
i=1
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
23
Beispiel 3: Faltung der Exponentialverteilung
Beispiel 3:
Y1 , Y2 seien exponentialverteilt mit Parameter λ und unabhängig.
Für z > 0 gilt:
fY1 +Y2 (z)
=
+∞
Z
f1 (y1 )f2 (z − y1 )dy1
−∞
Zz
=
λe
−λy1
λe
−λ(z−y1 )
Zz
dy1 =
0
=
λ2 e −λz
λ2 e −λy1 e −λz e λy1 dy1
0
Zz
dy1 = λ2 ze −λz
0
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
24
Beispiel 3: Faltung der Exponentialverteilung
Folgerung:
Y1 + Y2 nicht exponentialverteilt.
Übungsaufgabe: Y1 , . . . , Yn unabhängig, λ - exponentialverteilt
Wie lautet die Dichte von Y1 + . . . + Yn ?
Hinweis: Ausrechnen für n = 3, 4, 5 und mit vollständiger Induktion
fortführen.
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
25
1. Summe und arithmetisches Mittel
Kenngrößen einer Summe von Zufallsvariablen
Y = (Y1 , . . . , Yn )
E (Y1 + . . . + Yn ) = ?
|
{z
}
g (Y )
Var (Y1 + . . . + Yn ) = ?
|
{z
}
g (Y )
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
26
1. Summe und arithmetisches Mittel
Folgerung 1 aus ~: (siehe
Folie 14
)
Erwartungswert einer Summe = Summe der Erwartungswerte }
E (Y1 + . . . + Yn ) =
+∞
+∞
Z
Z
...
(y1 + . . . + yn )fY (y1 , . . . , yn )dy1 . . . dyn
−∞
=
−∞
+∞
n Z
X
+∞
Z
...
yi fY (y1 , . . . , yn )dy1 . . . dyn
i=1 −∞
=
−∞

 +∞
+∞
Z
Z
yi 
...
fY (y1 , . . . , yn )dy1 . . . dyn  dyi
+∞
n Z
X
i=1 −∞
−∞
|
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
−∞
{z
fYi (yi ) Randdichte von Yi
}
27
1. Summe und arithmetisches Mittel
Daraus folgt:
E (Y1 + . . . + Yn )
+∞
n Z
X
=
yi fYi (yi )dyi
i=1 −∞
=
n
X
E (Yi )
i=1
Anwendung: Additivität der Kovarianz (siehe
Folie 30
)
Für Y diskret: analog
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
28
1. Summe und arithmetisches Mittel
Folgerung 2 aus ~: (siehe
Folie 14
)
Berechnung der Kovarianz von (Y1 , Y2 )
Es gilt: Cov (Y1 , Y2 ) = E [(Y1 − E (Y1 ))(Y2 − E (Y2 ))]
Mit spezieller Funktion g (Y1 , Y2 ) = (Y1 − E (Y1 ))(Y2 − E (Y2 )) ist
daher
Cov (Y1 , Y2 )
= E (g (Y1 , Y2 ))
Z+∞ Z+∞
=
g (y1 , y2 )f (y1 , y2 )dy1 dy2
−∞
Z+∞
=
−∞
−∞
Z+∞
(y1 − E (Y1 ))(y2 − E (Y2 ))f (y1 , y2 )dy1 dy2
−∞
Diskret: analog
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
29
1. Summe und arithmetisches Mittel
Folgerung aus }: (siehe
Folie 27
)
Kovarianz ist additiv
Betrachte dazu: Y1 = X1 + X2
Cov (X1 + X2 , Y )


=E (X1 )+E (X2 )
z
}|
{


= E (X1 + X2 − E (X1 + X2 ))(Y − E (Y ))
= E [(X1 − E (X1 ) + X2 − E (X2 ))(Y − E (Y ))]
= E [(X1 − E (X1 ))(Y − E (Y )) + (X2 − E (X2 ))(Y − E (Y ))]
= E [(X1 − E (X1 ))(Y − E (Y ))] + E [(X2 − E (X2 ))(Y − E (Y ))]
= Cov (X1 , Y ) + Cov (X2 , Y )
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
30
1. Summe und arithmetisches Mittel
Für die Varianz einer Summe folgt daraus:
Var (X + Y )
=
Cov (X + Y , X + Y )
=
Cov (X , X ) + Cov (X , Y ) + Cov (Y , X ) + Cov (Y , Y )
=
Cov (X , X ) + 2 · Cov (X , Y ) + Cov (Y , Y )
=
Var (X ) + 2Cov (X , Y ) + Var (Y )
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
31
1. Summe und arithmetisches Mittel
Allgemein:
Y1 = X1 + . . . + Xn
1.) Kovarianz:
Cov (X1 + . . . + Xn , Y2 )
= E [(X1 + . . . + Xn − E (X1 + . . . + Xn ))(Y2 − E (Y2 ))]
= E [(X1 − E (X1 ))(Y2 − E (Y2 )) + (X2 − E (X2 ))(Y2 − E (Y2 )) + . . .
+ (Xn − E (Xn ))(Y2 − E (Y2 )]
= E [(X1 − E (X1 ))(Y2 − E (Y2 )] + . . . + E [(Xn − E (Xn ))(Y2 − E (Y2 )]
= Cov (X1 , Y2 ) + . . . + Cov (Xn , Y2 )
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
32
1. Summe und arithmetisches Mittel
2.) Varianz:
Daraus folgt mit Var (X ) = Cov (X , X )
Var (X1 + . . . + Xn )
= Cov (X1 + . . . + Xn , X1 + . . . + Xn )
n X
n
X
=
Cov (Xi , Xj )
i=1 j=1
= Cov (X1 , X1 ) + . . . + Cov (Xn , Xn ) +
n X
X
Cov (Xi , Xj )
i=1 j6=i
= Var (X1 ) + . . . + Var (Xn ) + 2
X
Cov (Xi , Xj )
j>i
Im allgemeinen gilt nicht: Varianz einer Summe gleich Summe der
Varianzen
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
33
1. Summe und arithmetisches Mittel
Aber: Wenn gilt
Cov (Xi , Xj ) = 0, für alle i 6= j ,
also ”X1 , . . . , Xn sind paarweise unkorreliert”
⇒ Var (X1 + . . . + Xn )
=
Var (X1 ) + . . . + Var (Xn ) + 2
X
j>i
=
Cov (Xi , Xj )
{z
}
|
=0
Var (X1 ) + . . . + Var (Xn )
Wichtiger Spezialfall: X1 , . . . , Xn unabhängig (⇒ unkorreliert)
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
34
1. Summe und arithmetisches Mittel
Wichtig für schließende Statistik:
Folgerung für eine Stichprobe vom Umfang n mit Zurücklegen zu
einer Zufallsvariablen X :
Y1 , . . . , Yn unabhängig und identisch verteilt wie X
Dann gilt für das arithmetische Mittel:
!
n
n
1X
1X
Yi
=
E (Yi ) = E (X )
E
n
n
i=1
i=1
!
n
n
1 X
n · Var (X )
1
1X
Var
Yi
=
Var (Yi ) =
= Var (X )
2
2
n
n
n
n
i=1
i=1
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
35
1. Summe und arithmetisches Mittel
Anwendung: Erwartungswert einer Summe
X , Y Zufallsvariable mit P(X ≤ Y ) = 1 (”X ≤ Y fast sicher”)
⇒ E (X ) ≤ E (Y )
Beweis: (unter Verwendung der Additivität des Erwartungswertes)
Z
=
Y −X
P(Z < 0)
=
0 =⇒ E (Z ) ≥ 0
E (Z )
=
E (Y ) − E (X ) ≥ 0 =⇒ E (Y ) ≥ E (X )
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
36
2. Maximum von Y1 , . . . , Yn
2. Maximum von Y1 , . . . , Yn :
g (Y1 , . . . , Yn ) = max Yi
yi realisierte Werte der Yi
i=1,...,n
Konstruktion der Verteilungsfunktion:
⇒ Fmax Yi (α)
= P
max Yi ≤ α
i=1,...,n
= P(Yi ≤ α für i = 1, . . . , n)
= FY1 ,...,Yn (α, . . . , α)
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
37
2. Maximum von Y1 , . . . , Yn
Spezialfälle für Maximum:
1.) Y1 , . . . , Yn unabhängig:
Fmax Yi (α) = FY1 (α) · . . . · FYn (α)
2.) Y1 , . . . , Yn unabhängig und identisch verteilt wie X :
Fmax Yi (α) = FX (α) · . . . · FX (α) = (FX (α))n
(X stetig: fmax Yi (α) = nFX (α)n−1 fX (α))
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
38
2. Maximum von Y1 , . . . , Yn
Beispiel:
“Parallelschaltung”:
Ein Flugzeug ist mit zwei Triebwerken ausgestattet.
T1 , T2 Zeitdauer vom Anlassen des Motors bis zum ersten
”Störfall” (”Lebensdauer”)
Ein Triebwerk genügt für Flug und Landung. Die Triebwerke
arbeiten unabhängig. Ein Störfall ist nicht im Flug behebbar.
Überlebenswahrscheinlichkeit bei t Stunden Flugdauer:
P(T1 > t oder T2 > t)
= 1 − P(T1 ≤ t, T2 ≤ t)
= 1 − P(max{T1 , T2 } ≤ t)
=
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
1 − FT1 (t)FT2 (t)
39
2. Maximum von Y1 , . . . , Yn
T1 , T2 λ-exponentialverteilt
P(T1 > t oder T2 > t)
=
1 − (1 − e −λt )(1 − e −λt )
= e −λt (2 − e −λt )
Sei
λ=
1
24
(E (T1 ) = E (T2 ) = 24), t = 12 :
12
12
P(T1 > t oder T2 > t) = e − 24 2 − e − 24 = 0.845
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
40
3. Minimum von Y1 , . . . , Yn
3. Minimum von Y1 , . . . , Yn :
g (Y1 , . . . , Yn ) = min Yi
yi realisierte Werte der Yi
i=1,...,n
Konstruktion der Verteilungsfunktion:
Fmin Yi (α)
=
min Yi ≤ α
i=1,...,n
1−P
min Yi > α
=
1 − P(Yi > α für i = 1, . . . , n)
=
1 − P(Y1 > α, Y2 > α, . . . , Yn > α)
= P
i=1,...,n
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
41
3. Minimum von Y1 , . . . , Yn
Spezialfälle für Minimum:
1.) Y1 , . . . , Yn unabhängig:
Fmin Yi (α) = 1 −
n
Y
P(Yi > α) = 1 −
i=1
n
Y
(1 − FYi (α))
i=1
2.) Y1 , . . . , Yn unabhängig und identisch verteilt wie X :
Fmin Yi (α) = 1 − (1 − FX (α))n
(X stetig: fmin Yi (α) = n(1 − FX (α))n−1 · fX (α)
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
)
42
Beispiel 4: Lebensdauer einer Anlage
Anwendungsbeispiel: Anlage mit n Komponenten.
Anlage fällt aus, wenn eine der Komponenten ausfällt.
Ti : Lebensdauer von Komponente i, exponentialverteilt mit
Parameter λi
=⇒ min Ti : Lebensdauer der Anlage
Fmin Ti (t) = 1 − P(T1 > t, T2 > t, . . . , Tn > t)
“Überlebenswahrscheinlichkeit” für einen Zeitpunkt t:
P(T1 > t, T2 > t, . . . , Tn > t) = P
min Ti > t
i=1,...,n
= 1−P
min Ti ≤ t = 1 − Fmin Ti (t)
i=1,...,n
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
43
Beispiel 4: Lebensdauer einer Anlage
Wenn Ausfallverhalten der Komponenten unabhängig
(⇒ T1 , . . . , Tn unabhängig):
Fmin Ti (α)
=
1−
n
n
Y
Y
(1 − FTi (α)) = 1 −
(1 − (1 − e −λi α ))
i=1
=
1−
n
Y
i=1
e −λi α = 1 − e
−
n
P
λi α
i=1
i=1
Also: min Ti exponentialverteilt mit
n
P
λi . (nicht notwendig
i=1
identisch)
“Überlebenswahrscheinlichkeit” für einen Zeitpunkt t:
−
P(T1 > t, T2 > t, . . . , Tn > t)
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
=
e
n
P
λi t
i=1
44
Beispiel 4: Lebensdauer einer Anlage
Spezielle Aspekte im Beispiel:
(P(min Ti > t) = 1 − Fmin Ti (t))
1.) Unabhängigkeit:
Y
n
n
Y
P
min Ti > t =
P(Ti > t) =
(1 − FTi (t))
i=1,...,n
i=1
i=1
2.) unabhängig und identisch verteilt:
P
min Ti > t = (1 − F (t))n
i=1,...,n
3.) unabhängig, identisch und λ−exponentialverteilt
P
min Ti > t = e −nλt
i=1,...,n
=⇒ Lebensdauer exponentialverteilt mit Parameter nλ.
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
45
Beispiel 4: Lebensdauer einer Anlage
z.B.:
n=5
λ = 0.1 (E (Ti ) = 10),
t=8:
P(min Ti > 8) = e −5·0.1·8 = e −4 ≈ 0.02
λ = 0.05 (E (Ti ) = 20),
t=8:
P(min Ti > 8) = e −5·0.05·8 = e −2 ≈ 0.135
Übungsaufgabe:
Wie groß muss die mittlere Lebensdauer der Komponenten sein,
damit in 8 Stunden mit Wahrscheinlichkeit 0.99 kein Störfall
eintritt?
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
46
4. Spannweite
4. Spannweite:
R(x1 , . . . , xn ) = max{x1 , . . . , xn } − min{x1 , . . . , xn }.
Berechnung der Verteilung in zwei Schritten:
a) gemeinsame Verteilung von max Yi und min Yi
b) Verteilung von X − Y = X + (−Y )
Dann hat R(Y1 , . . . , Yn ) zu einer n-dimensionalen Zufallsvariablen
Y = (Y1 , . . . , Yn ) die Verteilungsfunktion der Zufallsvariablen
Z1 − Z2 mit
Z1 = max Yi und Z2 = min Yi
i=1,...,n
i=1,...,n
Es ist also die Verteilungsfunktion der Differenz zweier
Zufallsvariablen zu bestimmen.
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
47
4. Spannweite
Dafür gilt im diskreten Fall
P(Z1 − Z2 = z)
X
=
P(Z1 = xi , Z2 = yj )
xi ,yj
xi −yj =z
=
X
P(Z1 = xi , Z2 = xi − z)
xi
und im stetigen Fall
+∞
Z
fZ1 −Z2 (α) =
fZ1 ,Z2 (z1 , z1 − α)dz1 .
−∞
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
48
4. Spannweite
Gemeinsame Wahrscheinlichkeitsverteilung bzw. Dichte von
max Yi und min Yi :
Diskreter Fall:
P(max Yi ≤ x, min Yi ≤ y )
=
P(max Yi ≤ x) − P(max Yi ≤ x, min Yi > y )
=
P(Yi ≤ x für i = 1, . . . , n) − P(y < Yi ≤ x für i = 1, . . . , n)
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
49
4. Spannweite
Fall 1:
y <x
Bei Unabhängigkeit gilt:
(y < Yi ≤ x für i = 1, . . . , n)
=
=
n
Y
P(y ≤ Yi ≤ x)
i=1
n
Y
(FYi (x) − FYi (y ))
i=1
Fall 2:
x ≤y
P(y < Yi ≤ x für i = 1, . . . , n) = 0
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
50
4. Spannweite
Damit
=
P(max Yi ≤ x, min Yi ≤ y )
P(Yi ≤ x für i = 1, . . . , n)
P(Yi ≤ x für i = 1, . . . , n) − P(y ≤ Yi ≤ x für i = 1, . . . , n)
x ≤y
x >y
bei Unabhängigkeit
=







n
Q
n
Q
i=1
FYi (x)
i=1
n
Q
FYi (x) −
(FYi (x) − FYi (y ))
für
x ≤y
für
x >y
i=1
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
51
Beispiel 5 (2 Würfel)
Beim Werfen mit zwei Würfeln erhält man für das Maximum
(Minimum) der Augenzahlen die Verteilung :
z
1
2
3
4
5
6
P(max{Y1 , Y2 } = z)
1
36
3
36
5
36
7
36
9
36
11
36
P(max{Y1 , Y2 } ≤ z)
1
36
1
9
1
4
4
9
25
36
1
P(min{Y1 , Y2 } = z)
11
36
9
36
7
36
5
36
3
36
1
36
P(min{Y1 , Y2 } ≤ z)
11
36
5
9
3
4
8
9
35
36
1
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
52
Beispiel 5 (2 Würfel)
max{Y1 , Y2 } =
1
2
3
4
5
6
min{Y1 , Y2 } =
1
1
36
2
1
36
1
36
3
4
5
6
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
0
1
36
2
36
1
36
1
36
53
Beispiel 5 (2 Würfel)
Die gemeinsame Verteilung ist:
max{Y1 , Y2 } ≤
P(max Yi ≤ x, min Yi ≤ y )
1
2
3
4
5
6
1
36
3
36
5
36
7
36
9
36
11
36
1
9
2
9
3
9
4
9
5
9
1
4
5
12
7
12
3
4
4
9
2
3
8
9
25
36
35
36
25
36
1
min{Y1 , Y2 } ≤
1
2
3
4
5
6
1
36
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
1
9
1
4
4
9
54
Beispiel 5 (2 Würfel)
Damit erhält man als Verteilung der Spannweite R
P(R = k) =
6
X
P(max{Y1 , Y2 } = i, min{Y1 , Y2 } = i − k)
i=k+1
k
0
1
2
3
4
5
P(R = k)
1
6
5
18
2
9
1
6
1
9
1
18
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
55
Beispiel 6 (Gleichverteilung auf [0, 1])
Dichte von X
0
1
für
für
x∈
/ [0, 1]
x ∈ [0, 1]
Verteilungsfunktion von X

 0
x
F (x) =

1
für
für
für
x ≤0
0≤x ≤1
1≤x
f (x) =
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
56
Beispiel 6 (Gleichverteilung auf [0, 1])
Y = (Y1 , . . . , Yn ) Stichprobe mit Zurücklegen zu X.
Gemeinsame Dichte von max Yi (x) und min Yi (y ):

0
für
x ≤y

n(n − 1)(x − y )n−2
für
0≤y <x ≤1
f (x, y ) =

0
sonst
(Ansatz: Über Verteilungsfunktion von max Yi und min Yi )
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
57
Beispiel 6 (Gleichverteilung auf [0, 1])
Dichte der Spannweite:
fR (z)
=
+∞
Z
f (x, x − z)dx
−∞

0
für
z ≤0


 R1
=
n(n − 1)(x − (x − z))n−2 dx
für
0<z <1
 z


0
für
1≤z

0
für
z ≤0

n(n − 1)z n−2 (1 − z)
für
0<z <1
=

0
für
1≤z
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
58
Beispiel 6 (Gleichverteilung auf [0, 1])
Erwartungswert von R:
Z1
E (R)
=
zn(n − 1)z n−2 (1 − z)dz
0
Z1
(z n−1 − z n )dz
=
n(n − 1)
=
n
1
z
z n+1
)
n(n − 1) ( −
n
n+1 0
=
n−1−
0
n(n − 1)
n2 − 1 − n2 + n
n−1
=
=
n+1
n+1
n+1
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
59
5. Produkt von Y1 , . . . , Yn
5. Produkt von Y1 , . . . , Yn :
Auswertungsfunktion:
g (y1 , . . . , yn ) = y1 · y2 · . . . · yn =
n
Y
yi
i=1
zufälliges Ergebnis:
Y
Yi = g (Y1 , . . . , Yn ) = Y1 · Y2 · . . . · Yn =
n
Y
Yi
i=1
Verteilungsfunktion von
Q
Yi :
FQ Yi (α) = P((Y1 , . . . , Yn ) ∈ {(x1 , . . . , xn )|
n
Y
xi ≤ α})
i=1
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
60
5. Produkt von Y1 , . . . , Yn
Y = (Y1 , . . . , Yn ) diskret:
(j)
(j)
Wertekombinationen y (j) ∈ Rn , y (j) = y1 , . . . , yn ,
X
P(Y = y (j) )
FQ Yi (α) =
y (j) mit
Qn
i=1
(j)
yi ≤α
Y = (Y1 , . . . , Yn ) stetig mit Dichte fY :
Z
Z
···
f (y1 , . . . , yn )dy1 . . . dyn
FQ Yi (α) =
y1 ,...,yn : y1 ·...·yn ≤α
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
61
5. Produkt von Y1 , . . . , Yn
X , Y diskrete Zufallsvariablen:
z 6= 0:
P(X · Y = z) =
X
P(X = xi , Y =
xi 6=0
z
)
xi
z = 0:
P(X · Y = 0)
=
1 − P(X · Y 6= 0)
=
1 − P(X 6= 0, Y 6= 0) (allgemein)
=
1 − P(X 6= 0)P(Y 6= 0) (X , Y unabhängig)
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
62
5. Produkt von Y1 , . . . , Yn
X , Y stetige Zufallsvariablen:
ZZ
f (x, y )dxdy
FX ·Y (α) =
x·y ≤α
Z∞
=


Z

0
Z0
f (x, y )dx  dy +
x·y ≤α
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen


Z

−∞
f (x, y )dx  dy
x·y ≤α
63
5. Produkt von Y1 , . . . , Yn
α
y
(y = 0 : xy ≤ α ⇔ α ≥ 0 ohne Bedeutung, da P(Y = 0) = 0)
α
y < 0 : xy ≤ α ⇔ x ≥
y
y >0
: xy ≤ α ⇔ x ≤
α
Z∞ Zy
FX ·Y (α) =
Z0 Z∞
f (x, y )dxdy +
0 −∞
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
f (x, y )dxdy
−∞
α
y
64
5. Produkt von Y1 , . . . , Yn
Substitution:
z = x · y, x =
1
z
, dx = dz
y
y
Integrationsgrenzen:
y >0
:
x≤
α
z
α
⇔ ≤ ⇔z ≤α
y
y
y
α
Zα
Zy
⇒
f (x, y )dx =
−∞
y <0
:
1
z
f ( , y ) dz
y
|y |
−∞
α
z
α
x ≥ ⇔ ≥ ⇔z ≤α
y
y
y
Z∞
Zα
1
z
⇒ f (x, y )dx =
f ( , y ) dz
y
|y |
α
y
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
−∞
65
5. Produkt von Y1 , . . . , Yn
Z∞ Zα
FXY (α)
=
f
0 −∞
Zα Z∞
1
dzdy +
|y |
Z0 Zα
f
z
,y
y
1
dzdy
|y |
−∞ −∞
f
=
z
,y
y
z
,y
y
1
dydz
|y |
−∞ −∞
Dichtefunktion:
fXY (α)
=
Z∞ α
1
f
,y
dy
y
|y |
−∞
Wenn X , Y unabhängig:
Z∞ α
1
fXY (α) =
fX
fY (y ) dy
y
|y |
−∞
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
66
5. Produkt von Y1 , . . . , Yn
Bei Unabhängigkeit:
Z∞ Z∞
E (X · Y )
=
f(X ,Y ) (x,y )
Z∞
Z∞
z }| {
yx fX (x)fY (y ) dxdy =
yfY (y )
xfX (x)dx dy
−∞ −∞
−∞
−∞
|
{z
E (X )
}
Z∞
=
E (X )
yfY (y )dy
−∞
|
=
{z
E (Y )
}
E (X ) · E (Y )
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
67
5. Produkt von Y1 , . . . , Yn
Generell: Es gilt für die Kovarianz
Cov (X , Y )
=
E ((X − E (X ))(Y − E (Y )))
=
E (XY − E (X ) · Y − X · E (Y ) + E (X ) · E (Y ))
=
E (XY ) − E (E (X )Y ) − E (X · E (Y )) + E (E (X ) · E (Y ))
=
E (XY ) − E (X ) · E (Y ) − E (X )E (Y ) + E (X ) · E (Y )
=
E (XY ) − E (X )E (Y )
Also:
Cov (X , Y ) = E (XY ) − E (X ) · E (Y ) bzw. E (X · Y ) = E (X ) · E (Y ) + Cov (X , Y )
Damit:
Cov (X , Y ) = 0
⇔ E (XY ) = E (X ) · E (Y )
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
68
Beispiel 7 (Materialdisposition)
Aufgabe: Beschaffung des notwendigen Produktionsmaterials
(Rohstoffe, Bauteile, Betriebstoffe)
Ziel: Hohe Versorgungssicherheit bei niedrigen Kosten.
Bestellpunktverfahren: Bei Unterschreiten des Lagerbestands s
wird eine Bestellung ausgelöst, die nach Ablauf der Lieferfrist
verfügbar ist.
Problem: Lieferzeit und Bedarf während der Lieferzeit nicht
determiniert.
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
69
Beispiel 7 (Materialdisposition)
Vorgabe: 95% Versorgungssicherheit
Aufgabe: Festlegung von s
Y : täglicher Bedarf
Z : Dauer der Lieferzeit
Gesamtbedarf während der Lieferzeit:
X =Y ·Z
Gesucht: s mit
P(Y · Z ≤ s) = 0.95
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
70
Beispiel 7 (Materialdisposition)
Y , Z stetig und unabhängig =⇒ Dichtefunktion von X = YZ
fX (x)
Z∞ 1
x
dy
f y,
y |y |
=
−∞
Z∞
=
x
1
fY (y )fZ
dy
y |y |
−∞
P(Y · Z ≤ s)
= P(X ≤ s)
Zs
=
fX (x)dx
“Liefersicherheit”
−∞
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
71
Beispiel 7 (Materialdisposition)
Bedarf Y gleichverteilt auf [8, 12]
Dauer Z gleichverteilt auf [3, 5]
 1
 1
 4 8 ≤ y ≤ 12
 2
fY (y ) =
fZ (z) =


0 sonst
0
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
3≤z ≤5
sonst
72
Beispiel 7 (Materialdisposition)
Somit:
Z∞
fX (x)
=
fY (y )fZ
1
x
dy
y |y |
−∞
fX (x) 6= 0 für y ∈ [8, 12] und
x
⇔
3 ≤ yx ≤ 5
y ∈ [3, 5]
x
y
∈ [3, 5]
⇔
x
5
≤y ≤
x
3
min{ x3 ,12}
Z
fX (x) =
1 1
1
min{ x ,12}
· dy = [ln(y )]max{3x ,8}
5
8 y
8
max{ x5 ,8}
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
73
Beispiel 7 (Materialdisposition)
x < 24 :
x
3
< 8 = max{ x5 , 8}
⇒ fX (x) = 0
max{ x5 , 8}
⇒ fX (x) =
1
8
ln x3 −
≥ 12, max{ x5 , 8} = 8
⇒ fX (x) =
1
8
ln 12 −
1
8
ln 8
≤ 12 ⇒ fX (x) =
1
8
ln 12 −
1
8
ln x5
24 ≤ x < 36 12 >
x
3
≥8=
36 ≤ x ≤ 40
x
3
40 < x ≤ 60
x
3
≥ 12,
x > 60 :
x
5
> 12
max{ x5 , 8}
=
x
5
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
1
8
ln 8
⇒ fX (x) = 0
74
Beispiel 7 (Materialdisposition)
Also:

0
x ≤ 24



x
1

(ln
−
ln
8)
24 ≤ x ≤ 36

8
3



 1
36 ≤ x ≤ 40
8 (ln 12 − ln 8)
fX (x) =

x
1



8 (ln 12 − ln 5 ) 40 ≤ x ≤ 60




60 ≤ x
 0
In der folgenden Abbildung ist die Dichtefunktion des Bedarfs X
während der Lieferzeit dargestellt.
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
75
Beispiel 7 (Materialdisposition)
Dichtefunktion des Bedarfs während der Lieferzeit
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
76
Beispiel 7 (Materialdisposition)
Als Verteilungsfunktion erhält man nach einiger Rechnung
(Stammfunktion von ln x ist x · ln(x) − x)

0
s ≤ 24



s
s

(ln
−
1)
+
3
24
≤ s ≤ 36

8
24



 s
36 ≤ s ≤ 40
8 ln 1.5 − 1.5
FX (s) =

s
60


8 (ln s + 1) − 6.5 40 ≤ s ≤ 60





60 ≤ s
 1
Wie aus folgender Abbildung ersichtlich, ist bei einer vorgegebenen
Liefersicherheit von 0.95 also bei einem Lagerbestand von s ≈ 53
eine Bestellung auszulösen.
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
77
Beispiel 7 (Materialdisposition)
Liefersicherheit P(X ≤ s) in Abhängigkeit von s.
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
78
Beispiel 7 (Materialdisposition)
Jetzt:
Y und Z anders verteilt
Y gleichverteilt auf [7, 10]
(
fY (y ) =
Z “Dreieck“ - verteilt
(
fZ (z) =
1
3
7 ≤ y ≤ 10
0
sonst
1 − 12 (z − 1)
1≤z ≤3
0
sonst
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
79
Beispiel 7 (Materialdisposition)
Z∞
fX (x) =
x 1
fZ (z)fY ( ) dz
z |z|
mit
−∞
fZ (z) ≥ 0 für 1 ≤ z ≤ 3
fY ( xz ) ≥ 0 für 7 ≤
x
z
≤ 10 oder
x
10
≤z ≤
x
7
min{3, x7 }
Z
=⇒ fX (x)
=
1 1
1
(1 − (z − 1)) · dz
2
3 z
x
max{1, 10
}
Z
=
min{3, x7 }
1 1 1 1 1
1
1
( · − + · )dz = ( ln z − z)
3 z
6 6 z
2
6
max{1, x }
10
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
80
Beispiel 7 (Materialdisposition)

0



1
x
x
1


2 ln 7 − 42 + 6



 1 x
x
1
x
x
2 ln 7 − 42 − 2 ln 10 + 60 =
fX (x) =

1
1
1
x
x



2 ln 3 − 2 − 2 ln 10 + 60




 0
x <7
7 ≤ x ≤ 10
1
2
ln 10
7 −
x
140
10 ≤ x ≤ 21
21 ≤ x ≤ 30
30 < x
Verteilungsfunktion ausrechnen und F (s) = 0.95 setzen ergibt s.
(Quantil)
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
81
Transformationen
Zur n-dimensionalen Zufallsvariablen X = (X1 , . . . , Xn ) wird
untenstehende Abbildung betrachtet
g : R n → Rn
Y = g (X ) ist also auch wieder eine n-dimensionale Zufallsvariable.
Im Folgenden wird davon ausgegangen, dass es sich bei g um eine
eindeutig umkehrbare Abbildung handelt.
D.h. es existiert ein g −1 : Rn → Rn mit g −1 (g (x)) = x bzw.
y = g (g −1 (y )) für alle x ∈ Rn bzw. y ∈ Rn .
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
82
Transformationen
Bemerkung:
Nimmt X nur Werte in einem Bereich D an, muss g auch nur für
D definiert sein.
g
g
−1
: D→W
: W →D ;
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
D, W ⊂ Rn
83
Transformationen
Gesucht: Wahrscheinlichkeitsverteilung bzw. Dichtefunktion von
Y.
X diskret:
Zu jedem Wert y von g (X1 , . . . , Xn ) gibt es genau ein x mit
g (x) = y und es gilt
P(g (X1 , . . . , Xn ) = y = g (x)) = P(X = x)
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
84
Transformationen
X stetig:
Wiederholung: eindimensional (g : R → R)
fg (X ) (y ) = fX (g −1 (y ))
1
|g 0 (g −1 (y ))|
benutzt Ableitung von g .
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
85
Transformationen
Einschub: Ableitung von g : Rn → Rn
g (x1 , x2 , . . . , xn ) = (g1 (x1 , . . . , xn ), . . . , gn (x1 , . . . , xn )) ∈ Rn
Ableitung von Komponente gi (x1 . . . , xn ) nach Variable xj
∂gi (x1 , . . . , xn )
∂xj
partielle Ableitung
i, j = 1, . . . , n
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
86
Transformationen
Anordnung aller partiellen Ableitungen aller Komponenten in einer
Matrix:
 ∂g (x)

1
· · · · · · ∂g∂x1 (x)
∂x1
n


..
..


.
.


0
g (x) = 

..
..


.
.


∂gn (x)
∂gn (x)
··· ···
∂x1
∂xn
Jacobi - Matrix
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
87
Transformationen
Zunächst:
Verteilungsfunktion von g (X ) an der Stelle α = (α1 , . . . , αn )
Zαn
Fg (Y ) (α1 , . . . , αn )
=
Zα1
...
−∞
Z
=
fg (X ) (y )dy1 . . . dyn
−∞
Z
···
fX (t1 , . . . , tn )dt1 . . . dtn
t:g (t)≤α=(α1 ,...,αn )
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
88
Transformationen
Nach Transformationsregel für Integrale:
Zαn
Fg (X ) (α1 , . . . , αn ) =
Zα1
...
−∞
fX (g −1 (y ))
−∞
1
dy1 . . . dyn
|det(g 0 (g −1 (y )))|
{z
}
|
~
~: Determinante der Jacobi-Matrix an der Stelle g −1 (y )
Daraus Dichtefunktion von g (Y ):
fg (X ) (y ) = fX (g −1 (y ))
1
|det(g 0 (g −1 (y )))|
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
,
y ∈W
89
Transformationen
Zusammenfassung:
Sei X = (X1 , . . . , Xn ) eine stetige n-dimensionale Zufallsvariable
mit Dichte fX .
D, W ⊆ Rn mit P(X ∈ D) = 1 und g : D → W umkehrbar mit
Umkehrfunktion g −1 : W → D
g und g −1 auf D bzw. W differenzierbar.
Dann ist:
fg (X ) (y ) =
fY (g −1 (y )) |det(g 0 (g1−1 (y )))|
0
für
für
y ∈W
y∈
/W
Dichtefunkton der transformierten Zufallsvariablen g (X ).
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
90
Beispiel 8 (Anwendung bei Funktionen)
1.) Dichte eines Produktes:
X1 , X2 stetige Zufallsvariable, gesucht ist Verteilung von X1 · X2
Transformation:
g (X1 , X2 ) = (X1 · X2 , X2 )
g ist invertierbar: x1 · x2 = y1 → x1 =
g
−1
0
(y1 , y2 )
g (x1 , x2 )
=
=
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
y1
x2
y1
y2
=
y1
, y2
y2
x2
0
für y2 6= 0
x1
1
91
Beispiel 8 (Anwendung bei Funktionen)
Weiter:
g 0 (g −1 (y1 , y2 )) =
det(g 0 (g −1 (y1 , y2 ))) = y2
y2
0
y1
y2
1
Jacobi-Matrix
Determinante der Jacobi-Matrix
Dichte von g (X1 , X2 ):
fg (X1 ,X2 ) (y1 , y2 ) = f(X1 ,X2 ) (g −1 (y1 , y2 ))
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
1
,
|y2 |
y2 6= 0
92
Beispiel 8 (Anwendung bei Funktionen)
Randdichte der 1. Komponente: (g (X1 , X2 ) = (X1 · X2 , X2 ))
Z∞
fX1 ·X2 (z)
=
fg (X1 ,X2 ) (z, y2 )dy2
−∞
Z∞
=
f(X1 ,X2 ) (g −1 (z, y2 ))
−∞
Z∞
=
f(X1 ,X2 )
−∞
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
z
, y2
y2
1
dy2
|y2 |
1
dy2
|y2 |
93
Beispiel 8 (Anwendung bei Funktionen)
2.) Dichte eines Quotienten:
X1 , X2 stetige Zufallsvariable, gesucht ist Verteilung von
Transformation:
g (X1 , X2 ) = (
Damit: y1 =
x2
x1
, y2 = x2 , x1 =
x2
y1
X2
X1
X2
, X2 )
X1
=
y2
y1 ,
Setze g (x1 , x2 ) = ( xx21 , x2 ) für x1 6= 0, und
dass (y1 , y2 ) = ( xx21 , x2 )
y1 6= 0
g (0, x2 ) = (0, x2 ) , so
=⇒ g invertierbar (y1 6= 0 bzw. x2 6= 0) für x1 6= 0 (s.o.)
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
94
Beispiel 8 (Anwendung bei Funktionen)
Es ergibt sich:
y2
= ( , y2 ) für y1 6= 0
y1
x2 1 − x 2 x1
1
g 0 (x1 , x2 ) =
0
1
!
y12
− y2 yy12
0 −1
g (g (y1 , y2 )) =
0
1
g −1 (y1 , y2 )
det(g 0 (g −1 (y1 , y2 )))
=
−
y12
y2
und damit die Dichtefunktion von Y :
fg (X1 ,X2 ) (y1 , y2 ) = f(X1 ,X2 ) (g −1 (y1 , y2 ))
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
|y2 |
y2
|y2 |
= f(X1 ,X2 ) ( , y2 ) 2
y1
y12
y1
95
Beispiel 8 (Anwendung bei Funktionen)
Dichte des Quotienten ist Randdichte der 1. Komponente:
Z∞
f Y2 (z)
=
fg (X1 ,X2 ) (z, y2 )dy2
Y1
−∞
Z∞
=
fY
y
2
z
, y2
|y |
2
dy2
z2
−∞
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
96
Beispiel 8 (Anwendung bei Funktionen)
Substitution: y2 = zx , x =
y2
z
Z∞
f Y2 (z)
=
fY (x, zx)
Y1
, dy2 = zdx
|zx|
|z|dx
z2
−∞
Z∞
=
fY (x, zx)|x|dx
−∞
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
97
Beispiel 9 (Störanfällige Komponente)
Lebensdauer T = Zeit vom Einschalten bis zum Eintritt einer
Störung
zufällig: Beschreibbar durch Zufallsvariable
T exponentialverteilt mit Parameter λ
kalte Reserve“: Zweite Einheit steht bereit, um die erste zu
”
ersetzen
T1 Lebensdauer 1. Einheit
T1 + T2 Gesamtlebensdauer.
T2 Lebensdauer 2. Einheit
Frage: Welchen Anteil an der Gesamtdauer hat die 1. Einheit?
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
98
Beispiel 9 (Störanfällige Komponente)
T1 und T2 sind Zufallsvariable
T1
T1 +T2
= Anteil von T1 an T1 + T2
Welche Wahrscheinlichkeitsverteilung ergibt sich für
T1
T1 +T2 ?
1. Berechnungsmöglichkeit:
i.) W-verteilung von T1 + T2
ii.) W-verteilung von
1
T1 +T2
iii.) W-verteilung von T1 ·
1
T1 +T2
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
99
Beispiel 9 (Störanfällige Komponente)
2. Berechnungsmöglichkeit:
Transformation g (X1 , X2 ) =
X1
X1 +X2 , X2
Daraus:
i.) Dichte von g (T1 , T2 )
ii.) Randdichte von Komponente 1 von g (T1 , T2 )
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
100
Beispiel 9 (Störanfällige Komponente)
T1 , T2 unabhängig und λ-exponentialverteilt
Transformation:
(Y1 , Y2 ) = g (x1 , x2 ) = (
x1
, x2 )
x1 + x2
x1 , x2 > 0
angewandt auf (T1 , T2 )
Inverse Abbildung:
(X1 , X2 ) = g −1 (y1 , y2 ) = (
y1 · y2
, y2 )
1 − y1
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
0 < y1 < 1; 0 < y2
101
Beispiel 9 (Störanfällige Komponente)
Jacobi - Matrix:
0
g (x1 , x2 ) =
x1
− (x1 +x
2
2)
1
x2
(x1 +x2 )2
0
Determinante der Jacobi - Matrix:
|det g 0 (x1 , x2 )| =
|x2 |
(x1 + x2 )2
y1 y2
Aus (x1 , x2 ) = g −1 (y1 , y2 ) = ( 1−y
, y2 ) folgt:
1
|det g 0 (g −1 (y1 , y2 ))| =
|y2 |
(1 − y1 )2
|y2 |
=
=
y
y
+y
−y
y
2
1 2 2
+ y2 ) 2
|y2 |
( 1 2 1−y
)
1
y1 y2
( 1−y
1
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
102
Beispiel 9 (Störanfällige Komponente)
Gemeinsame Dichte von T1 , T2 (T1 , T2 unabhängig):
fT1 ,T2 (x1 , x2 )
= λ2 e −λ(x1 +x2 )
y y
y2
(1 − y1 )2
y2
(1 − y1 )2
1 2 +y )
2 −λ( 1−y
2
1
fg (T1 ,T2 ) (y1 , y2 ) = λ e
= λ2 e
y
2
−λ· 1−y
1
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
x1 , x2 > 0
0 < y1 < 1; 0 < y2
103
Beispiel 9 (Störanfällige Komponente)
Randverteilung der 1. Komponente
f
T1
T1 +T2
(y1 )
=
+∞
Z
y2
−λ· 1−y
1
λ2 e
y2
dy2 , 0 < y1 < 1
(1 − y1 )2
0
=
λ
(1 − y1 )
+∞
Z
−∞
y
λ
−λ 2
e 1−y1 y2 dy2
1 − y1
|
{z
}
~
=
λ
λ
E (Y ) =
·
1 − y1
1 − y1
1
λ
1−y1
~: Dichte einer ZV Y , exponentialverteilt mit
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
=1
λ
1−y1
104
Beispiel 9 (Störanfällige Komponente)
Also:
f
T1
T1 +T2
(y1 ) = 1 für 0 < y1 < 1
Der Anteil ist gleichverteilt auf [0, 1].
Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
105
Herunterladen
Explore flashcards